ds4th studyREPORT-DERIVED DECK

KNOWLEDGE GRAPHS & LLMS IN ACTION · CHAPTER 01–02

지식 그래프와 LLM:
강력한 조합과 하이브리드 지능형 시스템

Chapter 1–2 · 지식 그래프와 LLM의 결합, 그리고 지능형 시스템 설계

발표자: 수경
학습 범위: Chapter 1 · Chapter 2
일시: 2026-07-25

ds4th studyREPORT §0 · CORE QUESTION

유창하지만 흔들리는 LLM과 정확하지만 어려운 KG를 어떻게 결합할까

두 기술은 서로 다른 한계와 보완 수단을 가집니다. 결합의 핵심은 대체가 아니라 검증 가능한 책임 분담입니다.

LLM · 자연어 인터페이스

유창하지만 근거가 흔들린다

자연어를 잘 다루지만 환각, 오래된 정보, 맥락과 관계 정보의 부재로 미션 크리티컬한 영역에서 흔들립니다.

↔검증 게이트

KG · 검증된 지식 계층

정확하지만 구축·질의가 어렵다

검증된 사실과 관계를 담지만 구축·유지 비용, 다중 홉 질의, 결과의 분산이라는 벽에 막혀 왔습니다.

오늘의 결론 예고 — 신뢰는 더 큰 모델 하나가 아니라 비즈니스 목적, 검증 게이트, 명시적 책임 분담, 사람의 통제에서 나옵니다.

ds4th studyREPORT → DECK

두 장의 논리를 일곱 장면으로 따라간다

Chapter 1은 왜·무엇을, Chapter 2는 어떻게를 설계합니다. 그 논리를 순서대로 압축합니다.

01문제LLM·KG의 빈틈

→

02개념KG와 네 기둥

→

03상호 보완전이 학습·양방향

→

04표현 기술RDF·LPG·의미

→

05지능형 시스템표현+추론·IAS

→

06추론세 전략·하이브리드

→

07목적 주도도입 판단

발표의 약속 — 기술 소개에서 끝내지 않고 언제 결합하고 어디서 사람이 통제하며 무엇에서 출발할지까지 연결합니다.

SECTION 01 · REPORT §1

왜 LLM만으로도, KG만으로도 부족한가

생성형 AI의 구멍과 지식 그래프의 벽

01

ds4th studyREPORT §1.1

생성형 AI는 산업을 바꿨지만 세 곳에서 흔들린다

전문 지식·정확성·설명 가능성이 필수인 영역에서 GenAI의 근본 한계는 세 가지입니다.

01

환각

그럴듯하지만 사실이 아닌 내용을 지어냅니다(hallucination).

02

맥락·관계 부재

경험·환경·문화·사회 규범 같은 맥락과 관계 정보를 갖지 못합니다.

03

설명 가능성 부족

답이 어떤 근거에서 나왔는지 밝히지 못합니다.

핵심 — KG가 맥락을 제공해 실패가 허용되지 않는 애플리케이션을 떠받치는 이른바 “AI의 제3의 물결”을 세웁니다.

ds4th studyREPORT FIGURE 1

진짜 병목은 정형 데이터가 아니라 비정형 텍스트 추출이다

이질적 원천 데이터가 정형·반정형과 비정형 텍스트로 갈라져, 정형은 통제 가능한 매핑으로 비정형은 다국어·오타·상호참조·문체·전문용어의 다섯 난제를 거쳐 지식 그래프로 통합되는 흐름 — **읽기 포인트**정형·반정형은 예측 가능한 매핑으로 그래프에 통합비정형은 다국어·오타·상호참조·문체·전문용어의 다섯 난제LLM은 사실 생산이 아니라 개체·관계 후보를 제안하는 해석 계층

SECTION 02 · REPORT §2

지식 그래프란 무엇인가

노드·관계·속성에서 진화·의미·통합·학습의 네 기둥으로

02

ds4th studyREPORT FIGURE 2

그래프가 아니라 ‘연결의 뜻이 명시된 것’이 지식이다

약물 A가 질병 B 치료에 사용되고 질병 B가 해부구조 C를 침범하며, 화합물 D가 약물 A의 유효성분이고 질병 B 치료에 사용되는 의료 지식 그래프. 각 노드는 승인일·분류 코드·분자식 같은 속성을 가짐 — **세 요소**노드: 사람·질병·약물 같은 현실의 개체관계: 노드 사이의 의미 있는 연결속성: 승인일·좌표·출처·갱신 시각 같은 맥락

ds4th studyREPORT FIGURE 3

네 기둥이 그래프 저장소를 살아 있는 지식 계층으로 만든다

중심의 지식 그래프를 진화·의미·통합·학습 네 기둥이 2×2로 둘러싼 구조. 각 기둥은 흡수·확장, 유형·규칙·설명 가능성, 출처 연결, 그래프 분석의 역할을 가짐 — **함께 있어야 산다**진화: 구조를 뜯지 않고 새 정보를 계속 흡수·확장의미·통합: 유형·규칙과 출처 연결로 뜻을 명시학습: 중심성·네트워크·커뮤니티 분석으로 지식 추정

SECTION 03 · REPORT §3

왜 함께일 때 더 강한가

전이 학습이 낮춘 장벽 위에서 서로를 떠받친다

03

ds4th studyREPORT FIGURE 4

전이 학습이 ‘과제마다 새 모델’이라는 비용 구조를 뒤집었다

이전에는 과제마다 라벨 데이터와 소형 전용 모델을 각각 만들었고, 전이 학습 이후에는 대규모 말뭉치로 마스킹 토큰 예측을 사전학습한 대형 모델 하나를 개체 추출·관계 추출·요약에 재사용하는 대비 — **전환의 초점**과제별 소형 모델 다수 → 여러 과제에 재사용하는 대형 모델 소수큰 모델은 샘플 효율이 높아질 수 있지만 사전학습 코퍼스의 규모·품질은 여전히 중요자연어 지시는 과제별 모델 엔지니어링을 낮추지만 정확도를 보장하지 않음

ds4th studyREPORT FIGURE 5

LLM은 하나의 마법 상자가 아니라 여섯 구성 요소의 결합이다

중앙의 대규모 언어 모델을 토큰화, 고차원 임베딩, Transformer·Attention, 대규모 사전학습, 전이 학습, 생성 능력의 여섯 요소가 둘러싼 구조 — **작동의 층**입력을 토큰과 벡터로 바꾸고 Attention으로 관련 부분에 가중대규모 사전학습 뒤 전이 학습으로 여러 과제에 재사용생성은 다음 토큰 예측의 반복이며 사실 검증과는 별도 책임

ds4th studyREPORT FIGURE 6

구축과 이용에서 LLM과 KG는 서로 다른 책임을 맡는다

구축 단계에서 데이터 소스를 스키마 매핑과 LLM 추출로 후보 지식으로 바꾸고 검증 게이트를 통과한 것만 KG에 반영하며, 이용 단계에서 자연어 질문을 LLM이 그래프 질의로 바꾸고 같은 KG의 구조적 결과를 요약해 근거와 함께 답하는 두 수명주기 — **책임 분담**LLM: 후보 추출·질의 변환·결과 정리KG: 검증된 사실·명시적 관계·추적 가능한 근거점선은 구축과 이용이 같은 검증된 저장소를 공유함을 뜻함

ds4th studyREPORT FIGURE 7

약점과 처방을 한 화면의 매트릭스로 읽는다

왼쪽은 LLM의 환각·오래된 정보·설명 불가를 KG의 사실 토대·동적 갱신·추적 경로가 처방하고, 오른쪽은 KG의 구축 비용·질의 난이도·결과 분산을 LLM의 개체 추출·자연어 질의·텍스트 요약이 처방하는 대응 매트릭스 — **대응 처방**LLM의 약점 → KG의 사실 토대·동적 갱신·추적 경로KG의 약점 → LLM의 개체 추출·자연어 질의·텍스트 요약화살표는 한 번의 검색이 아니라 구축·이용의 양방향 수명주기

SECTION 04 · REPORT §4

표현 기술 — RDF·LPG와 의미 계층

단일 신뢰 원천으로 가는 두 갈래 길과 온톨로지

04

ds4th studyREPORT TABLE 2

RDF와 LPG는 배타적 정답이 아니라 최적화 방향이다

KG는 지능적 행동의 근거를 단일 신뢰 원천에 담습니다. 두 표현 패러다임을 같은 기준으로 비교합니다.

관점	RDF (+ SPARQL)	LPG (+ openCypher · Gremlin)
표준화	W3C 표준, 트리플(진술) 기반	구현 중심 속성 그래프 모델
관계의 성질	재사용되는 전역 술어	엣지마다 고유한 정체성
강점	상호운용·일관성·연합	경로 탐색·그래프 순회
속성 부착	개별 관계에 직접 붙이기 번거로움	엣지에 출처·신뢰도·시간 직접 부착

수치 한 줄 — 맥킨지: 데이터 파편화를 해소하면 단기적으로 연간 데이터 지출을 5~15%까지 줄일 수 있습니다.

ds4th studyREPORT FIGURE 8 · TABLE 3

구조 위에 딱 필요한 만큼의 의미를 쌓는다

RDF 트리플 또는 LPG 속성 그래프의 구조 위에 분류체계(수직 계층)와 온톨로지(수평 규칙)가 차례로 더해져 기계가 추론하는 지식 그래프가 되는 계층 구조 — **의미의 두 축**분류체계: Vehicle ⊃ Car ⊃ Sedan의 수직 계층온톨로지: Car=Automobile · Car ⊥ Bicycle의 수평 규칙just enough semantics — 필요한 온톨로지 기능만 부분 확장

SECTION 05 · REPORT §5 (CH.2)

지능형 시스템 설계

지능 = 지식 표현 + 추론, 그리고 사람을 돕는 자문 시스템

05

ds4th studyREPORT §5.1–5.2 · TABLE 4

이 책은 사람을 대체하는 대신 지원하는 자문 시스템(IAS)에 집중한다

지능은 지식 표현과 추론으로 해부되며, 표현력과 처리 효율 사이에는 상충 관계가 있습니다.

구분	지능형 자율 시스템	지능형 자문 시스템(IAS)
역할	사용자를 대신해 행동	정보와 권고를 제공
특징	완전 자동화·실시간 결정	의사결정 지원·맥락 인식·상호작용
최종 결정	시스템	사람(사용자)
예시	자율주행차	예측 치안·사기 탐지·의료 진단 권고

자문 시스템의 원칙 — IAS는 통찰·권고를 제공하고, 어떤 조치를 취할지에 대한 최종 결정은 사람이 내립니다.

ds4th studyREPORT §5.3 · TABLE 5

네 가지 특성이 설계와 구현의 품질 기준이 된다

좋은 시스템은 모델 정확도만이 아니라 목표·경험·지식 수명주기·오케스트레이션을 함께 설계합니다.

01 · GOAL

의미 있는 목표

최종 사용자가 달성할 구체적이고 실현 가능한 목적을 먼저 정합니다.

02 · EXPERIENCE

지능적 경험

정답의 가치는 키우고 오답의 비용은 낮추며 피드백을 받습니다.

03 · KNOWLEDGE

지식 생성·갱신

데이터·환경·사용자 반응에서 지식을 만들고 유지합니다.

04 · CONTROL

오케스트레이션

모델·도구·검증 게이트의 순서, 위험, 품질, 책임을 통제합니다.

책의 구현 범위 — 사람을 돕는 IAS, 검증된 기존 KB, 경험에서 학습하는 피드백 루프에 초점을 둡니다.

ds4th studyREPORT FIGURE 9

지능형 시스템은 선이 아니라 피드백이 도는 확장 모델이다

데이터 소스·환경·도메인 전문가가 지식 습득으로 들어가고, 여러 지식 베이스와 여러 추론 엔진이 최종 사용자에게 통찰·제안을 제공하며, 사용자·환경의 피드백이 다시 지식 습득으로 순환하는 지능형 시스템 확장 모델 — **구성 요소**데이터·환경·도메인 전문가 → 지식 습득여러 지식 베이스와 여러 추론 엔진 → 통찰·제안사용자·환경의 피드백이 다시 지식 습득으로 순환

ds4th studyREPORT FIGURE 10 · TABLE 6

지식 습득은 명시적(KG)과 암묵적(LLM)으로 갈린다

왼쪽은 정형·반정형·문서·환경 데이터를 스키마 매핑과 전문가 설계·검증을 거쳐 사람이 조회·부분 수정할 수 있는 명시적 KG로 바꾸고, 오른쪽은 텍스트 중심 데이터를 자기지도 신경망 학습과 전문가 선별·평가를 거쳐 간접 접근과 추가 학습 갱신이 필요한 암묵적 LLM으로 바꾸는 비교 — **트레이드오프**KG: 스키마·전문가 검증을 거쳐 조회·부분 수정 가능한 지식LLM: 대규모 자기지도 학습으로 언어 일반화·생성 능력같은 ‘습득’이라도 접근·갱신·통제 가능성이 다름

SECTION 06 · REPORT §6 (CH.2)

추론 전략과 하이브리드 엔진

세 추론의 한계를 KG 규칙과 LLM 확률로 보완한다

06

ds4th studyREPORT FIGURE 11

연역은 보장 조건이 강하고, 귀납은 불완전한 세계에서 일반화한다

왼쪽은 완전하고 정확한 지식 베이스와 규칙을 읽어 보장된 결론을 내는 연역 엔진, 오른쪽은 지식 베이스와 관찰 데이터를 학습해 일반화된 예측을 만들고 학습 결과를 지식 베이스에 되먹임하는 귀납·머신러닝 엔진 — **정보 흐름의 차이**연역: 완전하고 정확한 KB·규칙이 주어질 때 결론을 보장귀납·ML: 관찰에서 패턴을 학습해 일반화하고 KB를 확장점선 되먹임은 학습 결과가 KB를 만들거나 확장함을 뜻함

ds4th studyREPORT §6.1–6.2 · TABLE 7

세 추론은 결론의 확실성과 전개 방식이 다르다

연역·귀납·확률적 추론은 결론의 확실성과 전제 조건이 서로 다르며, 각기 다른 기술이 맡습니다.

추론	전개 방식	결론 확실성	담당
연역	일반 → 구체	전제 참이면 반드시 참	KG·규칙
귀납	구체 → 일반	참이어도 거짓 가능	ML
확률적	불확실성 하 가중	가능성으로 표현	LLM

LLM 착시 — 교재의 Claude.ai 3.5 실험은 특정 시점의 사례입니다. 더 넓게는 Wu 등이 11개 과제의 반사실적 변형에서 성능 저하를 관찰했습니다.

ds4th studyREPORT FIGURE 12

학습·하이브리드 엔진은 검증된 관찰로 KB를 확장할 수 있다

사용자 요청이 KG 규칙과 LLM 확률을 결합한 추론 엔진으로 들어가 조치·제안을 만들고, 환경 변화와 새 관찰은 검증을 거쳐 학습·하이브리드 엔진이 지식 베이스를 확장하고 다음 판단을 개선하는 순환 루프 — **세 계층의 보완**순수 연역: KB·규칙을 읽어 조건부로 보장된 결론 생성귀납·ML: 검증된 관찰로 온톨로지·관계를 학습해 KB 확장LLM 계층: 빠진 정보를 확률적으로 저울질해 우선순위 권고

ds4th studyREPORT FIGURE 13

데이터가 아니라 비즈니스 목적에서 출발한다

왼쪽은 모든 데이터 수집·통합 후 데이터가 말하길 기대하다 실패하는 상향식과 그 원인, 오른쪽은 비즈니스 이해에서 출발해 데이터 이해·KG 요구사항·모델링(LLM 참여)·평가·배포로 이어지고 저장 구조를 유연하게 확장하되 논리 스키마는 유지하는 2차 라운드로 순환하는 목적 주도 CRISP-DM의 대비 — **두 접근의 대비**상향식: 소스 과다·정규화 비용으로 흔히 실패목적 주도: CRISP-DM 재해석, 비즈니스 이해에서 출발스키마리스는 저장 구조의 점진 확장을 뜻하며, 논리 스키마가 불필요하다는 뜻은 아님

ds4th studyREPORT §7.2–7.3 · TABLE 8

문제의 모양이 맞으면 두 사례처럼 결합 가치가 커진다

저자는 판단 질문 중 하나라도 “예”라면 KG 기반 솔루션을 강화할 LLM이 필요하다고 말합니다. 실무에서는 비용·위험·검증 체계도 함께 봅니다.

신약 발견과 개발

가설과 확정 사실을 분리

KG: 유전자·질병·약물을 유형화된 관계로 연결해 이행적 추론
LLM: 논문·임상 보고서에서 추출·잠재 관계 추정·텍스트 마이닝
주의: 추출한 주장은 검증 상태·출처와 함께 저장

고객 지원 대화형 AI

대화를 사실에 붙들어 맨다

KG: 개념을 연결하고 관계를 세워 응답 생성을 뒷받침
LLM: 폭넓은 주제와 일관된 응답, 필요하면 되묻기
주의: 맥락의 뒷받침이 없으면 응답이 뻔하고 얕아짐

판단 기준 — 기술 이름이 아니라 관계·통합·자연어·근거라는 문제의 모양에서 도입을 시작합니다.

ds4th studyCHECKPOINT

세 질문으로 두 장의 이해를 확인한다

정답을 외우기보다 판단 근거를 말할 수 있는지 확인합니다.

Q1

KG와 LLM의 대표 약점이 어떻게 상대의 강점으로 보완되는지 설명할 수 있는가?

Q2

자율 시스템과 자문 시스템(IAS)의 차이, 그리고 최종 결정 주체는 누구인가?

Q3

우리 문제에 도입한다면 상향식과 목적 주도 중 무엇에서 출발해야 하는가?

토론 — 답이 갈리는 질문 하나를 골라 각자의 도메인 경험과 연결해 봅니다.

ds4th studyWRAP UP

THREE SENTENCES

세 문장으로 남기는 오늘의 결론

01

서로 보완한다

KG와 LLM은 서로 다른 강점으로 상대의 주요 한계를 보완하는 강력한 조합입니다.

02

사람이 결정한다

지능은 표현과 추론이며, 자문 시스템에서는 최종 결정을 사람이 내립니다.

03

목적에서 출발한다

더 큰 모델도 더 많은 데이터도 아닌 비즈니스 목적이 KG를 빚습니다.

Q&A

상세 리포트 처음부터 읽기 회차 목록으로 돌아가기

지식 그래프와 LLM:강력한 조합과 하이브리드 지능형 시스템